造物潭押注AI工程师,完成数千万天使轮融资
造物潭押注"AI工程师":重新定义硬件研发的交付方式|甲子光年
到底有多少制造企业,缺的是一个真正懂研发的AI数字员工?
关于「数字员工」,各人有各人的说法。有人把它当成检索工具,千万份PDF规格书几秒读完,BOM表也能顺手整理;有人觉得它是超级大脑,能在不同EDA软件之间跨平台画图;还有人干脆认为,它就是个更强的AI Copilot。答案并不统一,可研发AI已经是全球竞争最硬的赛道之一。
制造业如今逢人便谈AI落地,「甲子光年」想追问的那些问题,在造物潭身上找到了新的回应。
造物潭团队在一次深度交流中聊起做产品最初的想法:“不是更会聊天,而是更接近真实研发。”
「甲子光年」获悉,制造业AI企业造物潭已完成天使轮融资,金额数千万元。本轮由嘉铭浩春领投,国资战略引导基金与智能制造领域的产业资本共同参与。资金将用于三个方向:训练和迭代自研的电子行业大模型、继续搭建工程对象本体体系,以及交付企业级产品并拓展市场。
造物潭2026年6月成立,创始人兼CEO是文堃。核心产品「小潭子」想做的事,是让AI从工程师的助手变成能真正接活的数字同事:一个AI统筹任务,其余AI分头负责方案、器件、电路、结构等环节,分工协作起来就像一支真实的研发团队。
嘉铭浩春作为领投方称:“造物潭将资深工程师的经验转化为可交付、可验收的研发数字员工,给制造业研发带来了真正能落地的确定性。团队在[AI+工程]上的独特优势我们很看好,也期待它成为制造业研发智能化的引领者。”
大模型如今已经能画图,可制造业为什么还在等图纸?
到了2026年,自然语言直接生成产品渲染图、拆解技术方案、写出完整PRD文档,这些大模型都做得到。但硬件研发的瓶颈并没有消失:从产品构想到可投产的工程设计,依旧要花上数月,还得靠跨专业团队一起协作。
症结在哪儿?AI画得出示意图,却画不了工程图。
一份能直接投产的工程设计文件,往背后看是器件选型、原理图绘制、PCB布线、结构设计、EMC仿真、BOM整理、工程图输出等几十个环节,每个环节都有自己的专业门槛。电路工程师得盯信号完整性和热设计,结构工程师要在外观、强度与成本之间找平衡,嵌入式工程师则要保证驱动代码与硬件时序对得上。
更麻烦的是,这些环节彼此怎么依赖,大多只装在工程师脑子里。“改了这颗芯片的封装,PCB工程师那边的布线要重来”,“外壳加厚2mm,散热仿真要重做。”
通用大模型读得懂自然语言,却读不懂工程对象。
过去几十年,中国建起了全球领先的硬件制造体系。元器件供应、PCB打样、整机生产,成熟的产业链让制造环节越来越高效。可制造之前那一步,也就是把一个产品构想变成可靠的工程设计,仍然要电子、软件、结构等多专业工程师联手,走完方案设计、工程评审、样机试制和反复验证。
为什么是现在?大模型的推理与工具调用能力已经跨过临界点。2026年11月,Anthropic与Diode Computers合作做出三款电子设备的原型:从简短的产品需求出发,Claude完成了器件选型、电路与四层PCB设计、三维外壳及固件开发,最后由Diode制造出能跑起来的原型。基础模型具备完成完整硬件任务的可能性,这一点得到了证明。
不过,从跑通原型到放进产线,中间还隔着完整的工程验证。器件买不买得到、封装兼不兼容、图纸过不过得了评审,这些问题通用模型答不上来。硬件研发是典型的执行密集型场景:一个完整新品走向量产,横跨电子、结构、嵌软三大泳道,需求收集、器件选型、原理图、PCB Layout、打样、测试、安规认证等几十个严密节点都在里面,哪个节点出了偏差,都会引发连锁的回滚。
「甲子光年」的看法是,中国建起了全球最强的制造体系,却在“想法到图纸”这一段被AI时代再次卡住。制造业AI的真问题不在某一个环节,而在整体的流转效率。眼下AI越来越引发替代执行的讨论,这类执行密集型场景反倒更可能成为突破口。
造物潭想做的,就是让AI从“会画”变成“真懂”。下一步,Ai要做的不是生成一张漂亮的示意图,而是交出一套能直接投产、经得起工程验证的完整设计方案。
2.三层递进:
从基础模型到会干活的工程队
把各环节理清楚之后,实际执行由谁来做?
造物潭的技术体系分作三层,一层托着一层往上走。基础模型供给通用智能,把能力起点不断推高;行业模型让通用能力扎进硬件研发的专业地盘;数字员工负责完成真实工程任务,再把实践中攒下的经验回灌给整个体系。
最底下这层是基础模型,为专业智能垫起一个持续抬升的能力起点。复杂推理、任务规划、工具使用——全球基础模型在这些方面的长进,正把AI能扛的工程任务边界一步步往外推。起点越高,行业模型能啃的专业问题就越复杂,数字员工能接的研发活计也越多。
中间层是自研电子行业大模型,靠专业知识与工程经验的日积月累,长出不断加深的工程判断力。造物潭手里已有数百万项专业工程数据与设计资产;同时,研发任务中产生的工程决策、设计修改和验证结果,经由工程对象本体体系与这些资产挂上钩,模型因此既懂专业设计知识,也清楚工程判断背后的依据。经验经过授权、筛选和评测后持续回流,一条递归式进化路径已经跑通:模型参与设计,结果接受验证,有效经验拿去优化模型,增强后的模型再投入新的研发任务。
最上面这层是专业数字员工,在真实任务里一点点磨出工程技能。小潭子的数字员工依仗行业模型干活,调用专业工具、处理工程对象、完成设计任务;验证过的工作流程、问题处理办法和工具使用策略,已经沉淀成可复用的专业技能,后面的项目里数字员工就能接更复杂的设计活。
【小潭子】模型体系框架示意图
「甲子光年」的看法是,三层架构的要害落在“持续进化”上——行业模型靠专业理解和工程判断长大,数字员工靠完成任务的方法与效率长大,两者在真实工程实践里互相推着走。硬件项目源源不断进入这套体系,模型能力、专业经验与数字员工技能便转成一个越转越强的循环。
落到执行上,造物潭把人类真实的研发组织架构搬进了系统。团队把研发流程拆成S0-S4五个阶段,加上电子、结构、嵌软三大泳道,理出一条由40个环节组成的端到端研发场景。硬件研发的麻烦常常不在单个环节,而在环节与环节的联动:电路工程师清楚,改了这颗芯片的封装,PCB工程师那边的布线就得重来;结构工程师清楚,外壳加厚2mm,散热仿真就得重做。这些依赖关系多半藏在工程师的经验里,隐性、易漏、难传承。
【小潭子】从端到端场景示意图
造物潭要做的,是把这些藏在经验里的隐性依赖写进工程对象本身。哪个环节一改,系统就能自动划出影响范围——哪些任务得跟着调、哪些验证要重跑。这套思路跟软件工程里的依赖管理很像,只是被搬到了硬件研发上。
文堃提到,常有人问,为什么梳理这40个环节要付出这么大代价。他的解释是,连该做什么都没弄明白,AI再聪明也只是白忙一场。他强调,团队要的不是一个会聊天的助手,而是一支真正懂规矩、能接活的工程队。
沿着这个思路,小潭子组起了一支“硅基研发团队”。用户输入一句自然语言需求,超级智能体(Super-agent)先像项目主管那样停一下,把任务边界确认清楚,再自己拆解目标,拉起一个虚拟项目组,里头有方案工程师、器件工程师、结构工程师。到了细节设计,器件工程师自己去数据库里匹配参数;进入打样与调试,调试工程师再介入验证。回答问题的不再是一个全能的AI,而是一支按工厂规矩办事的团队。
文堃把小潭子叫作Digital Worker(数字员工)。在他看来,Chatbot重在输出端,问一句答一句;Digital Worker重在输入端,用户给出研发目标,它自己找工具、调数据,把活干完。“以前工程师是拿着工具干活,耗费精力;现在工程师是给数字员工下达指令,自己做最后的决断。”
3.从“能干活”到“敢用它干活”:
制造业AI的信任成本
技术上行不行是一回事,企业敢不敢用是另一回事。
造物潭团队走访时发现,制造业老板对AI的心态很拧巴:研发周期压着,他们急需提效的工具;可硬件研发牵着企业命脉,封装选错、图纸报错,几十万报废的代价还得企业自己扛。研发图纸和BOM表,恰恰是老板最看重的核心资产。
一位做电源模块的老板就说:“你们的东西听起来是好,但图纸有私密性,被偷了、被改了,我这厂就完了。这个险我不敢冒。”
图纸被偷了、被改了,厂子会不会跟着完蛋?数据一旦外泄又该怎么收场?这些担心并非多虑,而是制造业绕不开的信任门槛。
造物潭的第一层答案是把系统搬进企业内网:数据不出域,每一步操作都留下记录。“进入车间的AI,在数据安全上没有任何余地。”文堃说。安全这关过了,人和AI谁干什么就成了下一个问题。在这套体系里,造物潭给小潭子定的调子相当克制——工程执行里的基础活儿归它,碰到跨学科的超复杂创新、极端非标的场景,它会主动停下来,不硬装懂,把基础资料备齐,原样交回人类手上。
「甲子光年」的看法是,AI守本分干活、人类拍板定案,这种分工来自造物潭对物理规则的敬畏。机器只管执行,不越界逞强;人的创造力也就不必耗在基础劳动里。
信任一旦立住,效率的提升立刻显现。造物潭方面给出的数据是:真实企业研发中,单次器件选型与BOM生成人工往往要花约60分钟,接上小潭子后压到约20秒;处理离散资料、生成定制化工程图纸,人工约需60分钟,小潭子1分钟内就能完成。
不过造物潭盯的不只是这几个效率数字。商业路径上,它没打算走通用软件卖账号的标品路子,而是想借头部企业共创拿回真实业务反馈,再靠腰部客户把收入复制放大,最终让长尾客户转为长期订阅。按结果交付,数字员工才成为一支能持续进化的研发力量。
眼下,造物潭已经进入电子制造企业的研发场景,围绕硬件设计、工程审查、研发资料处理等专业任务,用数字员工接手高频研发工作;在电源电子和工业控制等领域,则围绕具体产品的方案设计与工程评审做探索。每一个真实项目,都在给系统添新的工程经验。
只卖一套软件,造物潭拿到的是license收入;走进企业研发现场、参与真实项目,它得到的就不只是订单,还有真实的工程决策、设计修改和验证结果。这正是它想转起来的数据飞轮——不先关起门造一个完美系统,而是在真实场景里边用、边采集、边迭代,让数字员工从基础执行一步步走向更复杂的研发任务。
4.造物潭期待的未来:
先问想创造什么,再问能不能做
按照计划,造物潭会分阶段向开发者开放小潭子,同时尝试对接区域性的柔性制造资源,让AI生成的工程设计从图纸直接走到打样和实物制造。
一次极限测试已经验证了这条路走得通。一位毫无硬件专业背景的软件工程师,靠小潭子在几个小时内就完成了四足机器人原型的核心电子与结构设计,拿出BOM、原理图、PCB和三维结构等可编辑工程文件,模型调用花费只有约30元人民币。这套设计做完首轮实物试制,原型样机已经上电跑起来,核心功能也通过了验证。
硬件设计的门槛一旦被拉低,参与产品创造的主体就可能从专业团队扩展到更广的人群。爱好者能把自己的机器人想法做出来,初创公司能以更低成本试错产品方向,创客在车库里就能走完从构思到样机的全流程。造物潭想做的还不止这些。
文堃提到,过去企业有了新产品的点子,头一件事常常是盘算自己造不造得出来;而造物潭希望看到的将来是,更多企业能把问题换成:我们到底想造出什么?
「甲子光年」认为,这句话点出了制造业AI的终极命题:目的不是让工程师丢掉饭碗,而是把他们的时间还给创造。
基础执行交给数字员工之后,工程师才有余力去想更本质的事:这个产品解决了什么痛点?这个设计是不是最优解?这个方案能不能创造新的可能性?
先让AI把活干完,再谈创造。AI要真正替工程师上班,恐怕得从多岗位智能体跨软件实打实干活开始,这也是造物潭存在的最大意义。